Python数据可视化分析与应用在线 练习

• 标题 ： Python数据可视化分析与应用
• 起源： 这不要期末复习了嘛，其实这节课挺有趣的，而且发现我的很长时间都花在学习 理论上和配置环境上，没有拿出时间来敲打代码 - 所以以后还是要在百忙之中抽空写代码 写个文档
• 更新时间如下 （如下）
• 创立时间： 2021 5 28 （1：34
• 第 5次更新 更新内容 Pandas 高级索引
• 最近更新时间 ： 2021 5 30
• 更新内容：科学计算库（Numpy）2.4 数组运算
• 下次更新：

前言 ： 通用型代码块

pd.DataFrame

df = pd.DataFrame({'A':['5','6','7'],'B':['5','6','7'],'C':['5','6','7']})

第二章 科学计算库NumPy

认识Numpy对象

创建NumPy对象

二维数组

2.3 ndarray数据类型

查看数据类型：

转换数据类型：

2.4 数组运算

数组运算

数组广播

矢量化运算

数组与标量间的运算

2.5 ndarray的索引和切片

整片索引的基本内容

花式（数组）索引基本使用：

2.6 数组的转置和轴对称

2.7 NumPy通用函数

：

2.8 利用NumPy进行数组处理

2.8.1 将条件逻辑转为数组运算

2.8.2 数组统计运算

2.8.3 数组排序

2.8.4 检查数组元素

2.8.5 唯一化及其他集合逻辑

2.9 线性代数模块：

2.10 随机数模块：

2.11 案例 —— 酒鬼漫步

第三章 数据分析工具 Pandas

3.1 Pandas的数据结构分析

3.1.1 Series

3.1.2 DataFrame

3.2 Pandas 索引操作以及高级索引

3.2.1 索引对象：

3.2.2 重置索引 ：

3.2.3 索引操作 ：

1 .Series的索引操作

2 .DataFrame的索引操作

扩展 ： 使用 Pandas提供的方法操作索引

3.3 算术运算 与数据对齐

、

3.4 数据排序

3.4.2 按值排序

3.5 统计与描述

3.5 统计与描述

3.6 层次化索引

3.6.1 认识层次化索引

第四章 数据预处理

4.1 数据清洗

4.1.1 空值和缺失值的处理

1. isnull函数

2. notnull函数

3. dropna（）方法

4. 填补缺失值 / 空值

4.1.2 重复值的处理

4.1.3 异常值的处理

1. 基于u- 36原则检测异常值

2.基于箱型图检测异常值

4.1.4 更改数据类型

1.明确指定数据类型

2. 通过astype（）方法强制转换数据的类型

3. 通过 to_numeric()函数转换数据类型

4.2 数据合并

4.2.1 轴向堆叠数据

1. 横向堆叠与外连接 ：

纵向堆叠数据

4.2.2. 主键合并数据 ：

4.2.3. 根据行索引合并数据 ：

重叠列名 on

Z